um estudo de sistemas fuzzy · aos professores do dfqm da ufscar pela atenção e amizade, em...
TRANSCRIPT
Departamento de Física, Química e Matemática
Um estudo de Sistemas Fuzzy:
Modelo para estimar o Espalhamento da
Tuberculose
Trabalho de Conclusão de Curso
Camila dos Santos Sant’Anna
Orientadora: Profª Drª Magda da Silva Peixoto
Sorocaba 2013
2
Um estudo de Sistemas Fuzzy:
Modelo para estimar o Espalhamento da
Tuberculose
Autora: Camila dos Santos Sant’Anna
Trabalho de Conclusão de Curso apresentado ao
departamento de Física, Química e Matemática
(DFQM) da UFSCar, Campus Sorocaba, como
requisito parcial para a obtenção da graduação em
Licenciatura em Matemática.
Orientadora: Prof.ªDr.ª Magda da Silva Peixoto
Licenciatura em Matemática
Sorocaba 2013Sorocaba 2013Sorocaba 2013Sorocaba 2013
UNIVESIDADE FEDERAL DE SÃO CARLOS
Campus SOROCABA
3
4
Agradecimentos
A Deus em primeiro lugar, pois sem Ele nada seria possível. Por seu imenso amor,
cuidado, misericórdia, ajuda, permissão e por ter me escolhido e me guiado nesse árduo
caminho.
Ao meu amado e querido Amor Lindo, por seu amor, carinho, cuidado, estímulo, e
incondicional apoio em todos os momentos da minha vida. Obrigada pelo seu amor que é tão
precioso para mim. Te Amo!
Aos meus avós pela criação e por tudo o que fizeram por mim durante minha vida.
À minha amiga Mayra pela amizade e ajuda e correção do inglês deste trabalho.
À minha querida orientadora e coordenadora Magda por sua credibilidade, amizade,
paciência, por seus conselhos, apoio e ajuda durante esses anos na graduação e pela excelente
e indispensável orientação durante a confecção desse trabalho.
Aos membros da Banca Examinadora Prof. Dr. Adilson Brandão, Prof. Dr. Wladimir
Seixas, pela avaliação, dedicação e sugestões dadas no intuito de melhorar a qualidade deste
trabalho. Também gostaria de agradecê-los pela dedicação e atenção e todo ensinamento
dedicados durante as aulas ministradas ao longo de minha graduação.
À minha Best Friend Tiemi pela linda amizade que construímos, por todo apoio, pelas
conversas, puxões de orelha, por todos os momentos que passamos juntas (bons e ruins) e
pelas inúmeras risadas durante todos esses anos. Saiba que te amo muito e que você é uma
pessoa muito importante para mim. Obrigada por tudo!
Aos colegas de curso pela companhia e convivência. Ao meu amigo Vitor pela
amizade, apoio e pelas inúmeras risadas.
Aos professores do DFQM da UFSCar pela atenção e amizade, em especial aos
professores Magda Peixoto, Wladimir Seixas, Silvia Carvalho, Antonio Venezuela, Paulo Oliveira
e Geraldo Pompeu.
À Universidade Federal de São Carlos – Campus Sorocaba instituição que possibilitou
a realização de minha graduação.
A todos que de alguma forma contribuíram direta ou indiretamente com meu
crescimento e formação.
Meus sinceros agradecimentos.
5
RESUMORESUMORESUMORESUMO
Nos dias de hoje, onde cada vez mais o homem quer ter controle sobre o mundo
que o cerca, é crescente o interesse por processos quantitativos para predizer fenômenos
da realidade. Estes processos são, via de regra, obtidos por meio de modelos
matemáticos. Os fenômenos biológicos estudados por meio da modelagem matemática
fazem parte do ramo da ciência chamada Biomatemática.
Um sistema fuzzy é um sistema no qual a dinâmica é obtida através de um
sistema baseado em regras fuzzy. Nesse trabalho pretende-se estudar conceitos básicos
da Teoria Fuzzy e de sistemas baseados em regras fuzzy. A Teoria Fuzzy utiliza
conceitos e técnicas relativamente novos e seu emprego tem grande potencial, uma vez
que tal teoria tem se mostrado eficaz no tratamento de subjetividades características ao
fenômeno estudado.
Através do estudo de sistemas baseados em regras fuzzy pretende-se elaborar um
modelo matemático para estimar, ao longo do tempo, a quantidade de indivíduos
infectados pela bactéria causadora da tuberculose.
6
ABSTRACTABSTRACTABSTRACTABSTRACT
Nowadays, when man increasingly wants to have control over the world that
surrounds it, is growing interest in quantitative processes to predict phenomena of
reality. These processes are usually obtained through mathematical models. The
biological phenomena studied by mathematical modeling are part of the field of science
called Biomathematics.
A Fuzzy System is a system in which the dynamics is obtained through a system
based on fuzzy rules. This work intends to study basic concepts of Fuzzy Theory and
systems based on fuzzy rules. Fuzzy Theory uses relatively new concepts and
techniques and its use in inaccurate studies has great potential, since such a theory has
been shown to be effective in the treatment of the studied phenomenonfeatures
subjectivities.
Through the study of fuzzy rules-based systems, is intended to develop a
mathematical model to estimate the amount of individuals infected over time by the
bacterium that causes tuberculosis by one individual already infected in a population of
susceptible individuals.
7
Sumário
Resumo .................................................................................................................. 3
Abstract ................................................................................................................. 4
Agradecimentos .................................................................................................... 6
Lista de figuras......................................................................................................7
Lista de tabelas......................................................................................................8
Introdução.............................................................................................................9
1 Um pouco da história e conceitos básicos ...................................................... 12
1.1 Um breve relato através da História.........................................................12
1.2 Conceitos Básicos da Teoria Fuzzy.....................................14
1.3 Operações com subconjuntos Fuzzy........................................................16
1.4 O Conceito de -nível...............................................................................18
1.5 Princípios de Extensão .............................................................................19
1.6 Relações Fuzzy .........................................................................................21
1.7 Conectivos Lógicos ...................................................................................21
2 Sistemas baseados em regras fuzzy ................................................................ 24
3 Aplicações ......................................................................................................... 32
3.1 Introdução ao Problema...................................................................32
3.2 Formulação do Modelo Fuzzy...........................................................34
4 Considerações Finais......................................................................................39
REFERÊNCIAS BIBLIOGRÁFICAS....................................................................40
8
Lista de Figuras
1 Operações com subconjuntos Fuzzy .......................................................................16
2 Imagem de um subconjunto fuzzy a partir do princípio de extensão de Zadeh para
uma função f (Fonte:Barros e Bassanezi, 2011)......................................................19
3 Defuzzificador Centro de Gravidade G(B)(Fonte:BARROS-BASSANEZI,
2011)................................................................................................................................26
4 Esquema geral de um controlador fuzzy(Fonte: PEIXOTO-BARROS-
BASSANEZI,2007)...............................................................................................................27
5 Esquema para um sistema de controle humano na tarefa de lavar roupa..............29
6 Controlador Fuzzy..............................................................................................30
7Variáveis de entrada (tecido e sujeira) e variáveis de saída (tempo de
lavagem)..........................................................................................................................31
8 Solução do controlador fuzzy: tempo de lavagem em função do tipo de tecido e
tipo de sujeira..................................................................................................................31
9 Método de Inferência de Mamdani e Centro de Gravidade.................................32
10 Gráfico número de infectados no Brasil............................................................36
11 Ajuste da curva..............................................................................................36
12 Sistema controle fuzzy para o modelo do espalhamento da tuberculose.............37
13 Variáveis do sistema..............................................................................................36
14Superfície da Variação do espalhamento da Tuberculose...................................37
15 Modelo fuzzy comparado ao ajuste da curva com os dados reais.......................37
16 Estimativa para o número de casos..................................................................39
9
Lista de Tabelas
1 Estudantes e Grau de Estudo.........................................................................16
2 Operações com subconjuntos fuzzy................................................................19
3Taxa de Incidência de Tuberculose no Brasil (Fonte:[2])....................................35
10
Introdução
Nos dias de hoje, onde cada vez mais o homem quer ter controle sobre o mundo
que o cerca, é crescente o interesse por processos quantitativos para predizer fenômenos
da realidade. Estes processos são, via de regra, obtidos por meio de modelos
matemáticos. Os fenômenos biológicos estudados por meio da modelagem matemática
fazem parte do ramo da ciência chamada Biomatemática. Muitos dos modelos da
Biomatemática são adaptações ou interpretações de princípios das ciências físicas,
principalmente quando utilizam-se da Lei de Ação das Massas em meios homogêneos.
Este procedimento é utilizado nos principais modelos de interação entre espécies como
os de Competição, Predação e Epidemiologia (EDELSTEIN-KESHET, 1987;
BASSANEZI, 2002 e BASSANEZI-FERREIRA, 1988).
Os modelos da Biomatemática mais utilizados, e que servem de paradigmas em
novos estudos, têm sido os clássicos modelos determinísticos. Tais modelos utilizam-se,
via de regra, das equações diferenciais, de diferenças ou integro-diferencial. Este é o
caso do clássico modelo de Lotka-Volterra (1926) para descrever a dinâmica do número
de presas (x) interagindo com certo número de predadores (y):
+−=
−=
xybydt
dy
xyaxdt
dx
β
α
(1)
onde a,b,α e β são constantes positivas, sendo a a taxa de crescimento das presas, b a
taxa de mortalidade dos predadores e α e β os coeficientes de interação entre as duas
espécies. Neste exemplo, os parâmetros α e β são de difíceis avaliações quantitativas.
Lotka (1926) propõe que o parâmetro α , por exemplo, seja a probabilidade de uma
presa ser encontrada e predada, supondo que todos os encontros são equiprováveis.
Levando-se em conta que, tanto as habilidades das presas quanto as dos predadores são
diferentes para indivíduos distintos, seria mais realista se α fosse representado por uma
distribuição de probabilidades. Neste caso, o modelo (1) tornar-se-ia mais representativo
para o fenômeno. Também os modelos clássicos de transmissão direta, em
Epidemiologia, têm sido bastante estudados. Os primeiros modelos matemáticos deste
tipo foram propostos por Kermack e McKendric (1927) através de equações
11
diferenciais. A principal hipótese nestes modelos é que a razão de transmissão da
doença é proporcional ao número de encontros entre indivíduos suscetíveis e infectados.
As equações de Kermack e McKendric, para o modelo do tipo SI, ou seja, para
doenças que não remove indivíduos da população e também não há cura, são dadas por:
=
−=
SIdt
dI
SIdt
dS
β
β
(2)
onde S e I representam a proporção de indivíduos suscetíveis e infectados
respectivamente e β é o coeficiente de transmissão da doença.
O modelo (2) acima pré-supõe homogeneidade tanto na classe dos suscetíveis
quanto na dos infectados, no sentido que todos os indivíduos têm mesma chance tanto
de transmitir como de ser infectado. No entanto, é claro que essa é uma simplificação da
realidade. Por exemplo, de acordo com especialistas, indivíduos com baixíssima carga
viral têm menos chance de infectar que aqueles com carga viral alta. Também
indivíduos com baixa resistência têm mais chance de adquirir a doença que aqueles com
alta resistência. Aqui surge a questão, o que significa carga viral baixa? E alta
resistência? Esses são termos incertos e podem ser modelados de acordo com
especialistas do fenômeno de interesse. Essas são incertezas tipicamente linguísticas e
que, portanto, fogem à modelagem tradicionalmente proposta pela teoria estocástica.
Muitas das incertezas que encontramos nos fenômenos são provenientes apenas da
subjetividade da nossa linguagem. Esse é o caso típico de alguns procedimentos
adotados em Biomedicina para diagnosticar e controlar alguma doença em paciente. Por
exemplo, para se controlar determinada doença, observam-se os sinais ou sintomas
apresentados pelo paciente. A gravidade destes sinais indicará o procedimento médico a
ser adotado. O termo “gravidade” é subjetivo no sentido de apresentar graduações. Pois
bem, incertezas devido à gradualidade são tipicamente tratadas por meio de métodos
fuzzy (ORTEGA et al, 1997). No entanto, termos incertos como estes, têm sido tratados
por meio da Teoria Fuzzy (BARROS e BASSANEZI, 2011), que é o principal objetivo
desse trabalho.
Nossa principal proposta neste trabalho de conclusão de curso se refere ao
estudo de incertezas e seus tratamentos matemáticos, através do estudo de conceitos
12
básicos da Teoria Fuzzy, mais especificamente Sistemas Baseados em Regras Fuzzy.
Daremos ênfase aqui aos métodos fuzzyuma vez que a aluna não estudou este conteúdo
em seu curso de graduação. Entendemos que o estudo de sistemas fuzzy irá
complementar a formação.
A Teoria Fuzzy tem sido uma ferramenta com fundamentação teórica para se
estudar quantitativamente fenômenos onde aspectos de gradualidades (e, portanto de
qualidades) são julgados fundamentais para seu modelamento matemático (BARROS-
BASSANEZI, 2011).
Os conceitos e técnicas da Teoria Fuzzy são relativamente novos e seu emprego
em Biomatemática tem grande potencial, uma vez que tal teoria tem se mostrado capaz
de incorporar subjetividades inerentes ao fenômeno estudado.
Ao final, elaborou-se um modelo matemático utilizando um sistema baseado em
regras fuzzy para estimar a quantidade, ao longo do tempo, de indivíduos infectados pela
bactéria causadora da tuberculose.
O modelo matemático foi desenvolvido utilizando-se o software MatLab, que
possui ferramenta (Toolbox Fuzzy) que possibilita trabalhar com sistemas fuzzy.
13
Capítulo 1 – Conceitos Básicos da
Teoria Fuzzy
1.1 Um breve relato através da História
Ao longo do tempo, filósofos e pesquisadores têm se preocupado com
questionamentos a respeito de incertezas. Entre esses questionamentos está a busca da
verdade, do que é e do que existe de fato, desde a Grécia Antiga, quando os gregos
lançaram a questão “Transformação ou Pertinência?”, fazendo referência às duas
dimensões do pensamento.
Os filósofos procuravam fazer afirmações que sintetizavam seus pensamentos
sobre o universo na tentativa de explicar as coisas que existiam nele.
Para Parmênides de Eléia (VI – V a.C), “a única coisa que existe é o ser – que é
o mesmo que pensar”. O ser é imutável e imóvel, uno e contínuo, idêntico a si mesmo.
Já os sofistas interpretam Parmênides concluindo a impossibilidade do falso discurso.
Para eles não existem verdades absolutas e o homem deve buscar soluções para
questões práticas. A maioria dos filósofos pré-socráticos acreditavam que havia algo
externo e imutável por detrás do vir-a-ser, e que esse externo era a origem, a sustentação
e o fim de todos os seres.
Contudo, a certeza e a incerteza foram amplamente debatidas pelos filósofos
gregos; não interessando saber como as coisas são, pois tudo é relativo e depende da
opinião de cada um a respeito. De acordo com Platão, o mais importante não é o
conceito final, mas o caminho para se chegar até ele(BARROS e BASSANEZI, 2011).
A diferença fundamental entre os principais filósofos gregos está no fato de
que para uns existe uma verdade objetiva, eterna, imutável, que depende dos seres
humanos; no momento em que para outros, não existe nenhuma verdade absoluta,
eterna e imutável e, sim, apenas o conhecimento relativo aos nossos sentidos. Diante de
toda essa discussão, há uma grande dificuldade em se falar a respeito de certeza ou
incerteza. Ao procurarmos no dicionário o significado da palavra incerteza,
encontraremos termos como subjetividade, imprecisão, aleatoriedade,
14
dúvida,indecisão, ambiguidade. O que se pode perceber é que, em relação a um
tratamento quantitativo há uma distinção dos vários tipos de incertezas.
Matematicamente, a incerteza que provém da aleatoriedade de eventos ocupa
lugar de destaque. Em contrapartida, algumas variáveis (variáveis linguísticas
provenientes da necessidade de se distinguir qualificações por meio de graduações),
utilizadas em nosso dia-a-dia e que são compreendidas linguisticamente,
frequentemente permanecem fora do tratamento matemático tradicional. Por exemplo,
alguns conceitos como alto, fumante, infeccioso, que são relacionados ao mundo
sensível, são descritos através de graus que representam qualidades ou verdades
subjetivas.
A Teoria Fuzzy tem contribuído exatamente nesses tipos de incertezas, fazendo
uso de uma linguagem conjuntista, definindo, por exemplo, ao “conjunto” das pessoas
altas, fumantes ou infecciosas; ou seja, que são definidos por meio de propriedades
subjetivas.
A Teoria Fuzzy surgiu a partir de desafios como esse, no qual a propriedade
que define o conjunto é incerta e tem crescido consideravelmente em nossos dias, tanto
do ponto de vista teórico como nas aplicações nas diversas áreas estudo, sobretudo na
tecnologia.
A palavra “fuzzy” tem origem inglesa e significa incerto, vago, impreciso,
subjetivo, nebuloso, difuso. Porém, nenhuma dessas traduções contempla o sentido
amplo da palavra. Além disso, em quase todos os países a palavra fuzzy tem sido
utilizada sem tradução para a língua pátria, salvo exceções como França e alguns países
latinos.
A Teoria Fuzzy foi introduzida pelo matemático Lofti Asker Zadeh em 1965
(BARROS e BASSANEZI, 2011) com a principal intenção de dar um tratamento
matemático a certos termos linguísticos subjetivos, como “aproximadamente”, “em
torno de”, entre outros.
Ao conseguir controlar uma máquina de vapor usando a teoria de Zadeh em
1974, o professor Mamdani da Queen Mary College- Universidade de Londres, aplicou
o raciocínio fuzzy.
15
1.2 Conceitos Básicos
Para a formalização matemática de um conjunto fuzzy, Zadeh baseou-se no fato
de qualquer conjunto clássico (ou conjunto crisp) pode ser caracterizado por uma função
característica e que é definida por:
Definição 1: Seja U um conjunto e A um subconjunto de U. A função
característica de A é dada por:
Tal função, cujo domínio é U e a imagem está contida no conjunto indica
quando um elemento pertence ou não a . Dessa forma, a função característica
descreve completamente o conjunto A, uma vez que indica quais elementos do conjunto
são elementos de .
Entretanto, existem casos em que a pertinência entre os elementos desse
conjunto não é precisa. Diante disso, Zadeh formulou um subconjunto fuzzy, através da
ampliação do conjunto imagem da função característica que passa então a ser todo o
intervalo [0,1].
Definição 2: Seja U um conjunto (clássico). Um subconjunto fuzzy F de U é
caracterizado por uma função
,
chamada função de pertinência do subconjuntofuzzy .
O valor indica o grau com que o elemento de está no conjunto
fuzzy e indicam, respectivamente, a não pertinência e a
pertinência completa de ao conjunto fuzzy .
16
Um subconjunto fuzzy é composto de elementos de um conjunto clássico ,
decorrentes de um valor de pertinência a , dado por . Assim, um subconjunto
fuzzy de é dado por um conjunto (clássico) de pares ordenados:
Além disso, temos o subconjunto clássico de U definido por:
denominado suporte de F tem papel fundamental na interrelação entre as teorias de
conjuntos clássica e fuzzy.
Exemplo 1
Tabela 1 – Estudantes e Grau de Estudo
Estudantes Grau de Estudo
B =Bia 0,25
C = Camila 0,25
D = Daniel 0,8
Os dados da tabela podem ser representados como:
É importante destacar que o sinal + não representa uma soma, mas sim um
modo de relacionar os elementos do conjunto fuzzyF.
A forma geral de representar o conjunto fuzzy F quando U é finito é:
Também podemos definir a cardinalidade de um conjunto fuzzy como sendo a
soma dos graus de pertinência do conjunto, representado da seguinte forma:
17
Exemplo 2
Seja o conjunto U = {1,2,3,4,5,6}, representado como
Exemplo 3(Números naturais pequenos)
Considere o subconjunto fuzzy F dos números naturais pequenos
O número 0 (zero) pertence a esse conjunto? E o número 1000?
Na Teoria Fuzzy, poderíamos dizer que ambos pertencem a F, porém com
diferentes graus, dependendo da função de pertinência que caracteriza o subconjunto
fuzzy F. A função de pertinência associada a F deve ser “construída” de forma coerente
com o termo “pequeno” (BARROS e BASSANEZI, 2011).
Uma possibilidade para a função de pertinência de F é
Logo, podemos dizer que o número 0 pertence a F com grau de pertinência
, enquanto que 1000 pertence a F com grau de
pertinência . Ou seja, quanto mais longe do 0, menos “pequeno” ele
será.
Neste caso, a escolha da função foi feita de maneira arbitrária, apenas
levando-se em conta o significado da palavra “pequeno”.
18
1.3 Operações com subconjuntos Fuzzy
Sejam A e B dois subconjuntos fuzzy de U, com funções de pertinência
indicadas respectivamente por e . Vamos definir as operações de união, interseção
e complementar desses conjuntos.
Vamos dizer que A é subconjunto fuzzy de B e escrever , se
para todo
É importante lembrar que o conjunto vazio tem função de pertinência
, enquanto que o conjunto universo (U) tem função de pertinência
, para todo Dessa forma, pode-se dizer que e que para
todo A.
Definição 3: A união entre A e B é o subconjunto fuzzy de U cuja função de
pertinência é dada por:
Definição 4: A interseção entre A e B é o subconjunto fuzzy de U cuja função
de pertinência é dada por:
Definição 5: O complementar de A é o subconjunto fuzzy A’ de U cuja função
de pertinência é dada por
19
Figura 1 – Operações com subconjuntos Fuzzy
Exemplo 4Exemplo 4Exemplo 4Exemplo 4 (Conjunto fuzzydos febris e/ou mialgia)
Seja o conjunto U composto pelos pacientes de uma clínica, identificados pelos
números 1, 2, 3 e 4. Sejam ainda, A e B os subconjuntos fuzzy que representam os
pacientes com febre e mialgia (dor muscular), respectivamente.
A tabela abaixo ilustra as operações união, interseção e completamento.
Tabela 2 – Operações com subconjuntos fuzzy.
PacientePacientePacientePaciente Febre: AFebre: AFebre: AFebre: A Mialgia: BMialgia: BMialgia: BMialgia: B
A’A’A’A’
B’B’B’B’
1111 0,7 0,6 0,7 0,6 0,3 0,4
2222 1,0 1,0 1,0 1,0 0,0 0,0
3333 0,4 0,2 0,4 0,2 0,6 0,8
4444 0,5 0,5 0,5 0,5 0,5 0,5
Não podemos deixar de mencionar uma classe especial de conjuntos crisps que
está estreitamente ligada com cada subconjunto fuzzy. Esses conjuntos crisps indicam
limiares das incertezas representadas por cada conjunto fuzzy.
20
1.4. O conceito de
Entendemos por , o conjunto clássico dos elementos
tais que estão em uma classe se seu grau de
pertinência é maior que um determinado valor limiar ou nível que define
aquela classe. Uma vez que um subconjunto fuzzy A de U é “formado” por elementos de
U com certa ordem (hierarquia) que é traduzida através de classificação por graus. Tal
conjunto é denotado por
Definição 6 ( ): Seja A um subconjunto fuzzy de U e . O
de A é o subconjunto clássico de U definido por
para
Exemplo 5 ( :
Seja A um subconjunto fuzzy dos números reais representado por
Definição 7: Suporte de um conjunto são todos os elementos de que
tem grau de pertinência diferente de zero em e denotamos por
Vale destacar que o nível zero de um subconjunto fuzzy A é definido como
sendo o menor subconjunto (clássico) fechado de U que contém o conjunto suporte de
A. Matematicamente, é o fecho do suporte de A e é indicado por A.
21
Faremos agora, menção ao Princípio de Extensão, que nada mais é do que um
método utilizado para estender operações típicas de conjuntos clássicos.
1.5. Princípio de Extensão de Zadeh
O método de extensão proposto por Zadeh também conhecido como Princípio
de Extensão, surgiu da necessidade de se estender conceitos da teoria dos conjuntos
clássica para a teoria dos conjuntos fuzzy, com a finalidade de estender conceitos
matemáticos não-fuzzy em fuzzy.
O princípio de Extensão de Zadeh para uma função tem por objetivo
indicar como será a imagem de um subconjunto fuzzy A de X por meio de f .
Definição 8(Princípio de Extensão de Zadeh) : Seja uma função e A
um subconjunto fuzzy de X. A extensão de Zadeh de f é a função que, aplicada a A,
fornece o subconjunto fuzzy de Z, cuja função de pertinência é dada por
O processo gráfico para obtenção é ilustrado a seguir.
Figura 2 – Imagem de um subconjunto fuzzy a partir do princípio de extensão
de Zadeh para uma função f.
22
Exemplo 6:Seja a função dada por . Considere
os subconjuntos fuzzy finitos de .
Solução:
Portanto,
1.6. Relações Fuzzy
Matematicamente, o conceito de relação fuzzy é formalizado a partir do produto
cartesiano usual entre conjuntos, estendendo a função característica de uma relação
clássica para uma função de pertinência.
23
Definição 9: Uma relação fuzzy R sobre é qualquer
subconjunto fuzzy de . Assim, uma relação fuzzy R é definida por uma
função de pertinência
Definição 10: O produto cartesiano fuzzy dos subconjuntos
fuzzy de , respectivamente, é a relação
fuzzy , cuja função de pertinência é dada por:
,
Onde representa o mínimo.
1.7. Conectivos Lógicos
Na Matemática Clássica, os estudos relacionados à Lógica são realizados com
o estudo dos conectivos “e”, “ou” e “implicação”. Esses conectivos são utilizados em
sentenças como:
“Se a está em A e b está em B, então c está em Cou d não está em D”.
(1.6)
De acordo com BARROS e BASSANEZI (2011) os valores lógicos para cada
conectivo são estudados através de tabelas verdades. Dessa forma, o valor lógico de
uma sentença, formada a partir de duas ou mais proposições é formada por meio de
composições das tabelas verdades dos conectivos presentes nessa tabela.
Para avaliar logicamente a expressão (1.6) através dos conectivos, admitimos
que a mesma somente poderia assumir os valores 0 ou 1. Vamos, agora, analisar
logicamente esta expressão admitindo que os conjuntos de (1.6) sejam fuzzy.
Primeiramente, devemos atribuir um valor que indique o quanto a proposição
“a está em A” é verdadeira, com Afuzzy, sendo que um elemento a pode pertencer a A
com valores no intervalo . Para realizar a análise lógica dos conectivos no sentido
fuzzy, devemos estendê-los. Essas extensões são obtidas por meio das normas e
conormas.
24
Definição 11 (t-norma): O operador : . , é
uma t-norma se satisfazer as seguintes condições:
1) Elemento Neutro: ;
2) Comutatividade: ;
3) Associatividade: ;
4) Monotonicidade: se e então .
A operação t-conorma estende o operador que modela o conectivo “e”.
Exemplos:
•
Demonstração: Óbvio.
•
Demonstração: Considerando as propriedades da multiplicação usual:
1) Elemento Neutro:
2) Comutatividade:
3) Associatividade:
4) Monotonicidade: se , multiplicando ambas temos:
Definição 12 (t-conorma): O operador
∇ , é uma t-conorma se satisfazer as seguintes
condições:
1) Elemento Neutro: ;
2) Comutatividade: ;
3) Associatividade: ;
4) Monotonicidade: se e então ;
25
O operador t-conorma ∇: estende o operador do
conectivo “ouououou”.
Exemplos:
•
Demonstração: Óbvio.
•
Demonstração: Considerando as propriedades de soma, subtração e
multiplicação usuais:
1) Elemento Neutro:
2) Comutatividade:
3) Associatividade:
4) Monotonocidade: se
(1)
(2)
Subtraindo (1) e (2) temos:
(cqd).
26
Capítulo 2– Sistemas Baseados em
Regras Fuzzy
“Há e haverá muitas tarefas que os homens podem cumprir com facilidade,
que vão além da capacidade de qualquer computador, qualquer máquina e qualquer
sistema lógico que podemos conceber nos dias de hoje.”
(Loft A. Zadeh)
Os mais diversos sistemas do mundo real são controlados pelas ações humanas
através de informações imprecisas.
Cada indivíduo recebe informações que são interpretadas de acordo com seus
parâmetros para mais tarde decidir a atitude a ser tomada. O controle e a execução de
tarefas devem seguir uma sequência de “ordens” linguísticas, traduzidas por um
conjunto de regras, capazes de serem decodificadas pelo controlador.
As tarefas nos controladores fuzzy são comandadas através de termos da
linguagem usual, relacionados a alguma variável de interesse, e nesse aspecto variáveis
linguísticas desempenham papel fundamental. Tais termos, traduzidos por conjuntos
fuzzy, são utilizados para transcrever a base de conhecimentos através de uma coleção
de regras fuzzy (base de regras fuzzy). A relação fuzzy é obtida a partir dessa base de
regras, com a finalidade de produzir a saída (resposta, ação) para cada entrada (estado,
condição).
Geralmente, para um sistema fuzzy qualquer cada entrada fuzzy corresponde a
uma saída fuzzy. Essa característica também é encontrada nos controladores fuzzy.
Porém, se a entrada for crisp (ponto de ), espera-se que a saída também seja crisp
(ponto de ). Neste caso, um sistema fuzzy é uma função de construída de
maneira específica.
Um Sistema Baseado em Regras Fuzzy (SBRF) possui quatro componentes:
um processador de entrada (fuzzyficador), uma base de regras, um método de inferência
e um processador de saída (defuzzyficador).
Método de Fuzzyficação: Neste estágio as entradas do sistema são modeladas
por conjuntos fuzzy com seus respectivos domínios. É nele que a importância de
27
especialistas do fenômeno a ser modelado é justificada. Juntamente com esses
especialistas, as funções de pertinência são formuladas para cada conjunto fuzzy
envolvido no processo. Mesmo que a entrada seja crisp, ela será fuzzyficada por meio de
sua função característica.
Base de regras: Faz parte do “núcleo” do controlador fuzzy. É composto pelas
proposições fuzzy e cada uma dessas proposições é descrita de acordo com as
informações de um especialista. Neste ponto, as variáveis e suas classificações
linguísticas são catalogadas e, em seguida, modeladas por conjuntos fuzzy, ou seja,
funções de pertinência. Nos sistemas fuzzy cada proposição tem forma
Se “estado” então “resposta”
sendo cada “estado” e cada “resposta” valores assumidos por variáveis linguísticas, que
por sua vez são modelados por conjuntos fuzzy. Os conjuntos fuzzy que compõem o
“estado” são chamados de antecedentes. Em contrapartida, os conjuntos fuzzy que
compõem a “resposta” são chamados consequentes. Particularmente, cada regra dos
controladores fuzzy tem a forma:
Se “condição” então “ação”.
Em síntese, a base de regras cumpre o papel de “traduzir” matematicamente as
informações que formam a base de conhecimentos do sistema fuzzy. E, quanto mais
precisas forem tais informações, menos fuzzy (mais crisp) será a relação fuzzy que
representa a base de conhecimentos.
Método de inferência fuzzy: Cada proposição fuzzy é “traduzida”
matematicamente por meio das técnicas da lógica fuzzy. Basicamente, é dele que
depende o sucesso do controlador fuzzy, uma vez que ele fornecerá a saída (controle)
fuzzy a ser adotada pelo controlador, a partir de cada entrada fuzzy.
De acordo com BARROS e BASSANEZI (2011), Mamdani propôs do ponto
de vista teórico, uma relação fuzzy binária entre x e u para modelar matematicamente
a base de regras.
Tal relação recebeu o nome de “Método de Mamdani’ e tem por base a regra
de composição de inferência max-min e segue o seguinte procedimento:
28
• Em cada regra , da base de regras fuzzy, a condicional “sex é entãou
é ” é modelada pela aplicação (mínimo) que, erroneamente,
costuma ser denominada por implicação de Mamdani ( não é uma
implicação fuzzy, pois não preserva a tabela de uma implicação
clássica);
• Adota-se a t-conorma (mínimo) para o conectivo lógico “e”;
• Para o conectivo lógico “ou” adota-se a t-conorma (máximo) que
conecta as regras fuzzy da base de regras.
Formalmente, a relação fuzzy M é o subconjunto fuzzy de X U cuja função de
pertinência é dada por
Sendo r o número de regras que compõem a base de regras e, são os
subconjuntos fuzzy da regra j. Os valores e são interpretados como os
graus com que x e u estão nos subconjuntos fuzzy , respectivamente.
Métodode defuzzyficação: Processo que permite representar um conjunto
fuzzy por um valor crisp (número real).Veremos a seguir métodos para defuzzyficar a
saída a fim de se obter um número real para esses casos.
• Centro de Gravidade , Centróide ou Centro de Áreas: Método
semelhante à média aritmética para uma distribuição de dados. Porém, aqui os valores
indicam o grau de compatibilidade do valor com o conceito modelado pelo
conjunto fuzzy B.Este método fornece a média das áreas de todas as figuras que
representam os graus de pertinência de um subconjunto fuzzy. Os domínios discreto e
contínuo são representados pelas equações a seguir, respectivamente.
(1)
(2)
29
Figura 3: Defuzzificador Centro de Gravidade G(B)
Este é o método utilizado nesse trabalho.
• Centro de Máximos Neste método são levadas em conta apenas
as regiões de maior possibilidade entre os possíveis valores da variável que modela o
conceito fuzzy em questão. Neste caso, tem-se:
(3)
sendo,
e
• Média dos Máximos
É mais utilizado como defuzzyficador para domínios discretos. É dado por:
(4)
sendo,
os elementos de maior pertinência ao conjunto fuzzy B, ou seja, para cada i
toma-se
.
A figura 7, a seguir, representa um esquema geral de um controlador fuzzy.
30
Figura 4: Esquema geral de um controlador fuzzy.
Exemplo 9: Um especialista é capaz de lavar roupas a ponto de deixa-las
limpas, segundo seu conceito de limpeza.
O esquema abaixo (figura 5) representa de uma maneira simplificada, as ações
do especialista (controlador humano) na execução da tarefa de lavar roupas.
Figura 5: Esquema para um sistema de controle humano na tarefa de lavar
roupa.
Nesse exemplo pode-se observar um possível caminho para automação de
tarefas. As ordens a serem enunciadas por regras poderiam ser, por exemplo:
31
Quadro 1 – Regras de um sistema de automação na lavação de roupas.
Nesse caso, o sistema baseado em regras fuzzy (Figura 6) possui duas variáveis
de entrada (tecido e sujeira)e uma variável de saída (tempo de lavagem). A variável de
entrada tecido é definida pelos subconjuntos fuzzy {fino, grosso}, a variável de entrada
sujeira é definida pelos subconjuntos fuzzy {fácil, difícil} e a variável de saída tempo de
lavagem é definida pelos subconjuntos fuzzy {pouco, médio, muito} como ilustrado na
Figura 5.
Figura 6: Controlador Fuzzy
então
lava-se “muito tempo”.
Ou
oupa é “grossa” e a sujeira é “fácil”, então lava-
se “ em tempo médio”.
Ou
oupa é “fina” e a sujeira é “fácil”, então lava-se
“ em pouco tempo”.
Ou
“em tempo médio”.
32
Figura 7: Variáveis de entrada (tecido e sujeira) e variáveis de saída (tempo de
lavagem).
A saída obtida pelo sistema fuzzy está representada na Figura 6:
Figura 8: Solução do controlador fuzzy: tempo de lavagem em função do tipo
de tecido e tipo de sujeira.
No exemplo 9 supõe-se que cada tarefa seja executada por um ser humano,
logo não precisa de qualquer ferramenta matemática. Isso não ocorre com os
controladores fuzzy. As variáveis em questão são: roupa (r) a ser lavada; sua sujeira (s) e
o controle adotado (e), além de cada uma das classificações “grossa” ou “fina”, para a
roupa, “fácil” ou “difícil” para a sujeira; “muito tempo”, “pouco tempo” ou “tempo
médio”, para a ação de lavar, dever ser modelada por um conjunto fuzzy.
33
Por exemplo, para o tecido classificado como 3 (nota dada entre 0 e 10) e
sujeira como 6 (nota entre 0 e 10), tem-se como saída, que representa o tempo de
lavagem, o valor 0,469,ou seja, 47% do ciclo todo de lavagem da máquina (Figura 7).
Figura 9: Método de Inferência de Mamdani e Centro de Gravidade
O exemplo “Roupa Suja” é um caso típico de um SBRFTentativas para
reproduzir estratégias de um controlador humano são dadas pelos Controladores
Fuzzy, cuja finalidade é apenas de interpretação. Quando entradas e saídas representam
respectivamente a “condição” e a “ação” correspondente a essa condição, os SBRF são
denominados Controladores Fuzzy.
No próximo capítulo apresentamos um modelo matemático através de um
sistema fuzzy para estimar a quantidade, ao longo do tempo de indivíduos infectados
pela bactéria causadora da tuberculose.
34
Capítulo 3 – Aplicação: um estudo
para Tuberculose
Inicialmente, foram estudados os conceitos básicos da Teoria Fuzzy visando o
aprendizado, o entendimento e a capacitação para a elaboração de um modelo
matemático da propagação da tuberculose em uma população de indivíduos suscetíveis
utilizando um sistema baseado em regras fuzzy.
Tal modelo foi desenvolvido utilizando o software MatLab, que possui
ferramenta (Toolbox Fuzzy) que possibilita trabalhar com sistemas baseados em regras
fuzzy.
1.1 Introdução ao Problema
Anualmente, 1960 milhões de pessoas são infectadas, aproximadamente, com
tuberculose em todo o mundo. Embora hoje esta doença tenha tratamento, ainda mata
todos os anos 1,7 milhões de pessoas, principalmente na África e no sudeste da Ásia.
Controlada pela Organização Mundial da Saúde (OMS) e por outras organizações de
saúde, e com tratamentos cada vez mais eficazes para doenças imunes, o número de
casos mundiais vêm caindo consideravelmente em todos os continentes. No ranking
mundial, o Brasil encontra-se na 19a posição, em relação aos países com maior número
de casos da doença.
A tuberculose (antigamente chamada de “peste cinzenta”) ou “doença do peito”
é uma das doenças infecciosas registradas há tempos e que até os dias de hoje continua a
aflingir a humanidade. É causada pelo Mycobacterium tuberculosis, também conhecido
como Bacilo de Koch. Estudos estimam que essa bactéria tenha evoluído a partir de
outras bactérias do gênero Mycobacterium, há 40.000 anos.
A ocorrência dessa doença está diretamente relacionada à forma como se
organizam seus processos de produção e reprodução, por esse motivo pode-se
considerar como uma doença socialmente determinada. Tais processos estão associados
ao modo de viver e trabalhar do indivíduo.
35
Tuberculose pulmonar é a forma mais frequente e generalizada da doença.
Entretanto, o bacilo causador da tuberculose também pode afetar outros órgãos, como a
laringe, os ossos e as articulações, a pele, os intestinos, os rins, os gânglios linfáticos e
até o sistema nervoso.
Sua transmissão ocorre através de aerossóis produzidos por um indivíduo
contaminado quando este tosse, fala, espirra ou cospe.
O primeiro sucesso genuíno de vacinação contra a tuberculose foi desenvolvido
a partir de linhagens atenuadas da tuberculose bovina em 1906. Era a vacina BCG
(Bacilo de Calmette e Guerin), que foi usada pela primeira vez em humanos em 18 de
julho de 1921 na França.
Provavelmente, é a doença infecto-contagiosa que mais ocasiona mortes no
Brasil. Estima-se, ainda, que mais ou menos 30% da população mundial esteja
infectada, embora nem todos venham a desenvolver a doença.
Os principais sintomas da tuberculose são tosse por mais de três semanas,
produção de catarro, febre, sudorese, cansaço, dor no peito, falta de apetite e
emagrecimento.
Contudo, faz-se importante o estudo do comportamento dessa doença
transmissível para a sua possível prevenção, controle e esclarecimento. Deste modo, é
de grande valia a realização de estudos, como o proposto neste projeto, uma vez que
será possível observar o comportamento do espalhamento de uma doença causada por
uma bactéria em uma população. É, portanto, uma proposta relevante para saúde
pública.
Para PEIXOTO e BARROS (2004)a epidemiologia tem por finalidade
estabelecer, a partir dos estudos a cerca do fenômeno epidêmico, hipóteses matemáticas
que quantifiquem os conhecimentos biológicos relacionados à transmissão de
determinadas infecções, com o objetivo de estudar a evolução de epidemias.Em doenças
onde a transmissão é direta, para que uma nova infecção ocorra, é necessário que haja
indivíduos infectantes e suscetíveis na população para, então, propiciar condições
favoráveis para a transmissão do agente infeccioso.
36
1.2 Formulação do Modelo Fuzzy
Como observado acima, a Tuberculose é uma doença infecto-contagiosa cuja
ocorrência está relacionada à forma como se organizam seus processos de produção e
reprodução, considerada, dessa forma, como uma doença socialmente determinada,
onde sua transmissão ocorre através de aerossóis produzidos por um indivíduo
contaminado quando esse tosse, fala, espirra. Essas são características importantes do
fenômeno que serão incorporados ao modelo.
Diante dessas características, o primeiro passo para a formulação do modelo foi
a coleta de dados dos indivíduos infectados no Brasil, de acordo com a tabela a seguir:
Tabela 4: Taxa de Incidência de Tuberculose no Brasil
Fonte: Ministério da Saúde. (http://portal.saude.gov.br)
Em seguida, utilizamos o software Excel para fazer um ajuste da curva do
número total de infectados no Brasil nos últimos 22 anos, como mostra a figura 9.
37
Figura 10: Gráfico número de infectados no Brasil
Inicialmente, podemos observar uma oscilação (sem período constante)
associado a uma tendência exponencial e dessa forma ajustamos os dados reais para a
função exibida na Figura 11.
Figura 11: Ajuste da Curva
A partir das informações acima, podemos considerar que o espalhamento da
Tuberculose no Brasil apresentou um decrescimento de forma suave ao longo dos
últimos anos. A taxa de variação desse decrescimento é definida por ,
sendo a população infectada, para diferentes intervalos de tempo.
38
Figura 12: Sistema de Controle Fuzzy para o Modelo do Espalhamento da TB.
A população de indivíduos infectados pela Tuberculose foi subdividida em
Muito Baixa, Baixa, Média, Alta e Muito Alta, de acordo com o número de infectados.
Figura 13: Variáveis do sistema.
O modelo fuzzy foi composto por um sistema de base de regras fuzzy. As
variáveis são População infectada (entrada) e sua Variação (saída). De acordo com os
dados obtidos foram propostas 5 regras:
1. SE (População é muito baixa) ENTÃO (Variação é baixa) (1)
2. SE (População é baixa) ENTÃO (Variação é média) (1)
3. SE (População é média) ENTÃO (Variação é média) (1)
4. SE (População é alta) ENTÃO (Variação é média) (1)
5. SE (População é muito alta) ENTÃO (Variação é alta) (1)
Adotamos o método de inferência de Mamdani e a defuzzyficação do centro de
gravidade, e com isso se obteve a curva dada pela Figura 14.
39
0 10 20 30 40 50 60 70 80 90 1000
0.005
0.01
0.015
0.02
0.025
0.03
População
Variação
Figura 14: Superfície da variação do espalhamento da Tuberculose
Optamos por trabalhar com uma faixa onde os dados reais estivessem contidos.
Dessa forma, a Figura 15 apresenta dois ajustes exponenciais (dados reais contidos
numa faixa), dados reais e curva gerada pelo modelo fuzzy.
Figura 15: Modelo fuzzy comparado ao ajuste da curva com os dados reais
40
Aumentando o número de simulações, podemos observar que a solução
fornecida pelo sistema fuzzy encontra-se dentro da faixa de dos reais.
Figura 16: Estimativa para o número de casos
Para finalizar, se considerarmos uma condição inicial sendo um número fuzzy,
obtemos a solução descrita na Figura 17.
Figura 17 – Solução com condição inicial fuzzy
41
Capítulo 4 – Considerações Finais
Esse trabalho iniciou-se com estudo de conceitos básicos da Teoria Fuzzy e de
Sistemas Fuzzy. A Teoria Fuzzy utiliza conceitos e técnicas relativamente novos e seu
emprego em estudos imprecisos tem grande potencial, uma vez que tal teoria tem se
mostrado eficaz no tratamento de subjetividades características ao fenômeno estudado.
O uso de modelos matemáticos é uma importante ferramenta para predizer
fenômenos da realidade. O sistema de regras fuzzy, em especial, facilita a modelagem
matemática, uma vez que muitos dados são incertos ou imprecisos, o que dificulta a
modelagem através de modelos clássicos com equações. Nos modelos fuzzy usam-se
base de regras ao invés de equações e as variáveis do modelo podem ser definidas por
especialistas da área, juntamente com a base de regras.
E, através do estudo de sistemas baseados em regras fuzzy elaboramos um
modelo matemático para estimar a quantidade, ao longo do tempo de indivíduos
infectados pela bactéria causadora da tuberculose.
A Teoria Fuzzy é uma ferramenta muito útil para representar o espalhamento
de uma doença, em nosso caso da Tuberculose, em uma população de indivíduos
suscetíveis. Utilizando um Sistema Baseado em Regras Fuzzy foi possível modelar o
espalhamento da Tuberculose na população Brasileira nas últimas décadas sem o uso de
equações diferenciais. Neste sentido a Teoria Fuzzy traz grande contribuição na
construção de modelos matemáticos, ainda mais quando em alguns casos onde os
parâmetros das equações diferenciais não são conhecidos. Porém, se houver a
necessidade, esses parâmetros podem ser obtidos através do ajuste da curva solução
dada pelo modelo baseado em regras fuzzy (PEIXOTO et al, 2007).
Além disso, o uso da Teoria Fuzzy é interessante e de utilidade para a
continuação de pesquisas dessa natureza, por permitir a comparação dos parâmetros
com resultados que concordam com as regras estabelecidas por especialistas.
42
ReferêReferêReferêReferênciasnciasnciasncias BibliográficasBibliográficasBibliográficasBibliográficas
BARROS, L.C; BASSANEZI, R.C.; Tópicos de Lógica Fuzzy e Biomatemática. 2ª
Edição. Editora IMECC, Campinas, 2011.
BASSANEZI, R.C.; Ensino-aprendizagem com Modelagem Matemática. Editora
Contexto, 2002.
BASSANEZI, R.C.; FERREIRA, W.C. Equações diferenciais com
aplicações.Harbra,1988.
EDELSTEIN-KESHET, L. Mathematical Models in Biology. McGraw-Hill, Inc, 1987.
EMMENDORFER, L. R., RODRIGUES L. A. D.; Um modelo de Autômatos Celulares
para o Espalhamento Geográfico de Epidemias, TEMA, p.73-80, (2001).
KERMACK, W. O., McKENDRICK, A. G.; A contribution to the mathematical theory of
epidemics, Proceedings of the Royal Society of London Series A 15 (1927), p. 700-
721.
PEIXOTO M.S., BARROS L.C.; Um Estudo de Autômatos Celulares para o
Espalhamento Geográfico de Epidemias com Parâmetros Fuzzy, Tendências em
Matemática Aplicada e Computacional, 5, (2004), p. 125-133.
PEIXOTO, M. S. ; BARROS, L. C. ; BASSANEZI, R. C. Uma Abordagem Fuzzy para um
Modelo Presa-predador Acoplado ao Parasitismo. TEMA. Tendências em
Matemática Aplicada e Computacional, v. 1, p. 119-128, 2007.
PEIXOTO, M. S. ; BARROS, L. C. ; BASSANEZI, R. C. . Predator prey fuzzy model. Ecological
Modelling, v. 214, p. 39-44, 2008a.
ZADEH, L.A. , Fuzzy Sets, Informat. Control, 8, 338-353 (1965).
[1] http://drauziovarella.com.br/doencas-e-sintomas/tuberculose/ (acessado em 17/04/2012)
[2] http://portal.saude.gov.br/portal/saude/profissional/area.cfm?id_area=1527 (acessado em 10/08/2013)
[3] http://www.ime.unicamp.br/~laeciocb/manual_fuzzy_matlab.pdf (acessado em 05/09/2013).